Physics-Guided Fully Convolutional Spatiotemporal Learning Toward Digital-Twin-Enabled Microstructure Evolution Prediction

Technische Samenvatting: Physics-Guided Volledig Convolutieve Spatiotemporele Leren voor Microstructuur Evolutie

1. Probleemstelling

Nauwkeurige voorspelling van microstructuur-evolutie is cruciaal voor materiaalkundig ontwerp, maar bestaande benaderingen kampen met een afweging tussen fysieke getrouwheid en computationele efficiëntie. Hoge-getrouwheid faseveld-simulaties, gestuurd door partiële differentiaalvergelijkingen (PDE's) zoals de Cahn–Hilliard (CH) vergelijking, zijn computationeel duur, wat hun bruikbaarheid voor taken met een hoge doorvoer zoals parametertests, onzekerheidskwantificering en digital-twin-workflows beperkt. Daartegenover staan puur datagedreven surrogaatmodellen (bijv. Recurrent Neural Networks zoals ConvLSTM of PredRNN++), die snellere inferentie bieden maar vaak een expliciete fysieke beperking missen. Dit kan leiden tot "fysieke drift", waarbij voorspellingen afwijken van thermodynamische en kinetische wetten over lange tijdshorizon of wanneer de temporele context beperkt is. Hoewel Physics-Informed Neural Networks (PINNs) fysieke wetten afdwingen, zijn ze doorgaans ontworpen voor het oplossen van enkelvoudige begin-randwaardeproblemen en worstelen ze met de efficiëntie die vereist is voor dichte, multi-frame spatiotemporele forecasting.

2. Methodologie

De auteurs stellen een Physics-Guided Volledig Convolutief Spatiotemporeel Leerframework voor, ontworpen voor het voorspellen van spinodale decompositie — een canoniek fase-scheidingsproces. De methodologie integreert de onderliggende CH-vergelijking in het trainingsproces zonder de inferentiesnelheid van convolutieve architecturen in gevaar te brengen.

• Architectuur: Het model maakt gebruik van een volledig convolutieve encoder–translator–decoder architectuur (gebaseerd op SimVP/SimVPv2).

  • Encoder: Extraheert ruimtelijke kenmerken (interfaces, gradiënten) uit invoerframes van de microstructuur.
  • Translator: Maakt gebruik van gestapelde gated Spatiotemporal Attention (gSTA) blokken om de temporele evolutie in de latente ruimte te modelleren. In tegenstelling tot recurrente modellen, staat dit niet-recurrente ontwerp parallelle verwerking toe en voorkomt het sequentiële inferentie-latentie.
  • Decoder: Reconstrueert toekomstige concentratievelden.
  • Schaalbaarheid: Het volledig convolutieve karakter stelt het model in staat om te generaliseren naar hogere ruimtelijke resoluties (bijv. van 64×64 naar 256×256) zonder architecturale wijzigingen.

• Physics-Guided Trainingsdoel:
  De kerninnovatie is de incorporatie van de CH-vergelijking als een regularisatieterm tijdens de training.

  • Residu-formulering: De CH-vergelijking wordt geherformuleerd als een residu-constraint ($R_{CH}$) die wordt geëvalueerd op de voorspelde sequentie. Het residu meet de discrepantie tussen de voorspelde tijdsafgeleide ($\partial c / \partial t$) en de discrete CH-operator ($\nabla \cdot [M c(1-c) \nabla \mu]$).
  • Verliesfunctie: De totale verliesfunctie is een gewogen som van de data-fitting loss ($L_{data}$) en de physics-guided loss ($L_{phy}$):
    $$L = L_{data} + \lambda_{phy} L_{phy}$$
    waarbij $L_{phy}$ afwijkingen van massaconservatie en chemische potentiaal-gestuurde diffusiedynamica bestraft.
  • Inferentie: Cruciaal is dat de physics-guidance alleen tijdens de training wordt toegepast. Tijdens de inferentie voert het model een directe, volledig convolutieve forward pass uit zonder de PDE op te lossen of residuen te evalueren, waardoor de computationele efficiëntie behouden blijft.

3. Belangrijkste Bijdragen

• Framework Integratie: De studie overbrugt de kloof tussen efficiënte volledig convolutieve forecasting en fysiek consistente surrogaatmodellering door de CH-residu direct in het trainingsdoel van een niet-recurrent spatiotemporeel netwerk in te bedden.
• Verbeterde Lange-Termijn Stabiliteit: De physics-guided formulering laat zien de foutaccumulatie tijdens iteratieve rollout te verminderen, waarbij de morfologische en statistische getrouwheid behouden blijft over uitgebreide voorspellingsvensters waar puur datagedreven baselines degraderen.
• Robuustheid bij Verminderde Context: Het model vertoont superieur presteren bij het voorspellen vanuit beperkte temporele input (bijv. een enkele statische frame gevuld met nullen), waarbij het de fysieke inductieve bias gebruikt om het gebrek aan dynamische informatie te compenseren.
• Resolutie Transfer: Het framework behoudt een hoge voorspellende nauwkeurigheid wanneer het wordt overgedragen naar hogere-resolutie grids (256×256) zonder hertraining, een capaciteit die inherent is aan het volledig convolutieve ontwerp.

4. Experimentele Resultaten

Het framework werd geëvalueerd op datasets van spinodale decompositie gegenereerd via COMSOL Multiphysics, waarbij het voorgestelde model werd vergeleken met een puur datagedreven volledig convolutieve baseline (SimVPv2) en een recurrent model (E3D-LSTM).

• Voorspellingsnauwkeurigheid (10→90 frames): Op 64×64 en 256×256 grids bereikte het physics-guided model een lagere Root Mean Square Error (RMSE) en een hogere Structural Similarity Index (SSIM) vergeleken met de baseline, met name in het vastleggen van de deeltjesmorfologie en de bicontinue fase-scheiding.
• Lange-Termijn Extrapolatie (10→200 frames): In scenario's met iteratieve rollout verminderde het physics-guided model de cumulatieve fout aanzienlijk. Het behield de deeltjesstraal, het aantal deeltjes en de interface-krommingverdelingen beter over de tijd vergeleken met de baseline, die een geleidelijke drift vertoonde.
• Verminderde Context (1→99 frames): Wanneer getraind op 10-frame inputs maar getest op single-frame inputs (zero-padded), behield het physics-guided model robuuste voorspellingen, terwijl de baseline leed onder een verminderde nauwkeurigheid door het gebrek aan temporele context.
• Fysische Statistieken: Naast beeldgelijkenis reproduceerde het physics-guided model ook getrouwer fysisch betekenisvolle grootheden, waaronder de getrackte deeltjesgroei-/krimpingssnelheden en de interface-krommingverdelingen.
• Computationele Efficiëntie: Het voorgestelde model veroorzaakte slechts een bescheiden trainingsoverhead (~1,2× langzamer dan de baseline) door de residuberekening, maar bleef ~4,75× sneller om te trainen en ~25,8× sneller bij inferentie dan de recurrente E3D-LSTM. De inferentietijd was vergelijkbaar met de baseline.

5. Betekenis en Claims

Het artikel claimt dat dit werk een betrouwbare en efficiënte surrogaatmodellering biedt richting digital-twin-enabled microstructuur-evolutievoorspelling. Door de onderliggende fysieke vergelijkingen expliciet in het trainingsdoel op te nemen, zorgt het framework ervoor dat de geleerde dynamiek consistent blijft met thermodynamische en kinetische wetten zonder de schaalbaarheid en snelheid van volledig convolutieve architecturen op te offeren.

De auteurs benadrukken dat de methode de noodzaak voor high-fidelity solvers voor het genereren van referentiedata niet vervangt, maar een praktisch alternatief biedt voor herhaalde forecasting en snelle besluitvorming. De aanpak wordt gepresenteerd als een specifieke oplossing voor het probleem van fysieke drift in datagedreven modellen, waarbij wordt aangetoond dat vergelijking-gebaseerde regularisatie de voorspellende getrouwheid en stabiliteit kan verbeteren, met name in scenario's met lange voorspellingshorizons of beperkte inputdata.

Erkende Beperkingen:
De auteurs merken op dat de huidige studie beperkt is tot 2D spinodale decompositie met vaste fysische parameters. Generalisatie naar verschillende materiaaleigenschappen, vrije-energie modellen of andere microstructuurprocessen (bijv. korrelgroei, stolling) blijft een onderwerp voor toekomstig werk. Daarnaast mist het framework momenteel expliciete onzekerheidskwantificering en data-assimilatiecapaciteiten, die worden geïdentificeerd als noodzakelijke volgende stappen voor volledige digital-twin integratie.